一種人體活動的特征提取方法【技術領域】本發(fā)明涉及信號處理與模式識別領域，特別是涉及一種人體活動的特征提取方法。

背景技術：
嵌入了運動傳感器的可穿戴設備有著廣泛的用途。一方面，運動傳感器可以用于健康監(jiān)護，隨著中國人口老齡化的不斷加劇，空巢老人增加，老年人的健康成了子女最關心的問題，采用可穿戴設備就可以對老年人日常生活監(jiān)控，一旦發(fā)現(xiàn)摔倒等危險情況就可以發(fā)出警報，從而避免危險的發(fā)生。現(xiàn)在的都市白領往往疲于工作，閑暇時間多在上網(wǎng)和打游戲，年輕人往往對自己的身體健康狀況沒有一個清晰的認識，采用可穿戴設備監(jiān)測人的日?；顒樱嬎氵\動量以及消耗的熱量，然后與健康的生活方式進行比較，可以激勵年輕人時刻注意自己的健康狀況，加強體育鍛煉。另一方面，運動傳感器還可以應用于人機交互，例如交互式電子游戲的外設，以及電影、動畫制作過程中的動作捕捉。另外，運動傳感器還可以用在標準動作的訓練等方面。人體活動的特征識別在健康監(jiān)護和可穿戴設備中起著重要的作用。對人體活動進行識別的方法主要有兩大類，一類是基于外部傳感器的識別方法，另一類是基于運動傳感器的識別方法。第一類方法用攝像頭來監(jiān)測人的日?；顒?，用計算機視覺等技術識別人體活動。目前已經(jīng)有很多方法可以用來識別人的手勢和運動?；趫D像和視頻的識別受攝像頭探測范圍的限制無法實現(xiàn)對人的二十四小時實時監(jiān)測，而且圖像的采集又會受到物體的遮擋的影響，同時個人隱私又得不到保障，因此這類方法不適用于健康監(jiān)護。目前該方法主要應用在虛擬現(xiàn)實、人機交互和安保智能監(jiān)控等方面。第二類方法則用運動傳感器來采集人的活動數(shù)據(jù)進行識別。微機電系統(tǒng)(MEMS)的發(fā)展使得運動傳感器變得體積小、重量輕、功耗低，將多種運動傳感器集成到可穿戴設備上已經(jīng)成為一件很簡單的事情。因此利用集成了加速度計、陀螺儀、磁強計等傳感器的可穿戴設備進行人體活動的識別成為可能。只要把運動傳感器固定在人的身上采集人體活動的數(shù)據(jù)，就可以從數(shù)據(jù)中提取活動特征，用于后續(xù)健康監(jiān)護或者計算機應用。目前，利用加速度計進行人體活動識別的研究有很多，通常的做法是把運動傳感器固定在人體的某個位置，然后對采集到的數(shù)據(jù)進行處理。采集到的數(shù)據(jù)為離散時間序列，提取時，用一個固定長度的時間窗把該離散時間序列劃分成長度相同的若干段，然后對每一段分別提取運動特征，最后根據(jù)提取的運動特征，用一種機器學習的方法來訓練識別人體活動模式。然而，該特征提取方法存在識別精度不高的問題。

技術實現(xiàn)要素：
本發(fā)明所要解決的技術問題是：彌補上述現(xiàn)有技術的不足，提出一種人體活動的特征提取方法，可提高人體活動識別的精度。本發(fā)明的技術問題通過以下的技術方案予以解決：一種人體活動的特征提取方法，包括以下步驟：1)對采集的人體活動數(shù)據(jù)進行分類，劃分為非周期活動的數(shù)據(jù)和準周期活動的數(shù)據(jù)；2)對所述非周期活動的數(shù)據(jù)，采用固定時間窗的特征提取方法提取活動特征；3)對所述準周期活動的數(shù)據(jù)，采用自適應時間窗的特征提取方法提取活動特征：估計所述準周期活動中的各段活動的周期，設定特征提取方法的時間窗為當前段活動的周期，提取當前段活動的特征；4)根據(jù)提取的活動特征進行分類，識別出相應的人體活動模式。本發(fā)明與現(xiàn)有技術對比的有益效果是：本發(fā)明的人體活動的特征提取方法，把運動數(shù)據(jù)分為準周期的和非周期的，對于準周期活動，采用自適應時間窗的方法提取用于模式識別的特征；對于非周期活動，采用常規(guī)的固定時間窗的方法提取特征，然后利用提取到的特征對活動進行分類，識別出相應的活動模式。由于對準周期活動采用自適應時間窗的方法提取，時間窗的大小根據(jù)其各段活動的周期長短來設定，而不再如現(xiàn)有那樣統(tǒng)一按一個固定時間長度，提取過程充分考慮到活動自身的周期性特點，最終提取的特征能更準確的反映活動模式，從而最終活動識別的精度較高?！靖綀D說明】圖1是本發(fā)明具體實施方式的人體活動的特征提取方法的流程圖；圖2是本發(fā)明具體實施方式的人體活動中準周期活動的數(shù)據(jù)示意圖；圖3是本發(fā)明具體實施方式的人體活動中非準周期活動的數(shù)據(jù)示意圖；圖4是采用本具體實施方式的自適應時間窗提取方法提取準周期活動時的窗口示意圖；圖5是采用傳統(tǒng)的固定時間窗提取方法提取準周期活動時的窗口示意圖；圖6是本具體實施方式的方法和傳統(tǒng)方法在分類站、坐、走、跑、上下樓梯六種活動模式上的識別精度、查全率、錯誤率和ROC曲線下的面積對比圖?！揪唧w實施方式】下面結合具體實施方式并對照附圖對本發(fā)明做進一步詳細說明。人體活動識別是指利用加速度計等傳感器采集人體日?；顒拥臄?shù)據(jù)，然后利用這些數(shù)據(jù)識別人的站、坐、走、跑等活動模式。人的日?；顒拥母骰顒幽Ｊ接兄煌奶匦?，例如走路、跑步等活動具有準周期性，而站、坐等活動沒有周期性。所謂準周期，是從時域來看波形之間有重復性，與周期信號相似，但與周期信號的不同之處在于，準周期信號的重復“周期”的長度不是固定的。從頻域來看，準周期信號的頻譜有帶通形式。本發(fā)明的方法即是利用了兩類活動周期特性的不同，采用不同的方法來識別兩類運動。而常規(guī)現(xiàn)有的方法對這兩者不做區(qū)分。如圖1所示，本具體實施方式的人體活動的特征提取方法包括以下步驟：P1)對采集的人體活動數(shù)據(jù)進行分類，劃分為非周期活動的數(shù)據(jù)和準周期活動的數(shù)據(jù)。該步驟中，人體活動數(shù)據(jù)可通過固定在手腕上的三軸加速度計采集得到。把加速度傳感器固定在人體手腕上，佩戴該傳感器的人從事一種活動(例如走路)，則傳感器即采集到人進行該活動時沿x、y、z三個方向的加速度值，將x、y、z三個方向的加速度值作為采集的人體活動數(shù)據(jù)，用于后續(xù)的分析處理。采集過程中，為保證采樣數(shù)的充足，進行一項活動的時間應該足夠長。然后把采集到的數(shù)據(jù)備份下來，然后采集另一種活動的數(shù)據(jù)，直到每一種活動都有與其對應的數(shù)據(jù)。本具體實施方式中，對站、坐、走、跑、上樓梯和下樓梯的六種活動進行采集分析，模式識別。當然，也可用其他采集設備采集活動數(shù)據(jù)，例如角速度、磁感應強度等人體活動數(shù)據(jù)。提取這些數(shù)據(jù)后，識別其他的活動模式。上述舉例的加速度數(shù)據(jù)和識別的六種活動模式僅為一種示例性的說明。對于采集的數(shù)據(jù)，本具體實施方式的方法首先要把人體活動分為準周期活動和非周期活動。具體地，可用預分類器實現(xiàn)這一功能。首先，將x、y、z三個方向的加速度值轉換為合加速度，設定一個固定時間窗大小，采用固定時間窗的特征提取方法提取所述人體活動的合加速度的平均值特征和譜能量特征；根據(jù)所述平均值特征和譜能量特征，采用分類器將所述人體活動數(shù)據(jù)劃分為非周期活動的數(shù)據(jù)和準周期活動的數(shù)據(jù)。此處分類器包括基于C4.5決策樹算法、人工神經(jīng)網(wǎng)絡ANN、k近鄰算法、樸素貝葉斯算法等生成的分類器。優(yōu)選地，采用C4.5決策樹算法生成的分類器進行預分類。C4.5決策樹算法生成的分類規(guī)則直觀容易理解。通過上述分類，即將上述六種活動的數(shù)據(jù)分成兩類，準周期活動的數(shù)據(jù)和非周期活動的數(shù)據(jù)。一般地，準周期活動為具有一定周期的活動，例如走路、跑步、上樓梯和下樓梯四種活動即為準周期活動，而非周期活動是指不具有周期性的活動，例如站和坐。如圖2和圖3所示，分別為準周期活動的數(shù)據(jù)示意圖和非周期活動的數(shù)據(jù)示意圖。圖2中，600個采樣點上的合加速度值數(shù)據(jù)呈現(xiàn)一定的周期性，即為準周期活動；圖3中，600個采樣點上的合加速度值數(shù)據(jù)沒有周期性，即為非周期活動。劃分出準周期活動和非周期活動之后，對兩類活動分別進行處理。P2)對所述非周期活動的數(shù)據(jù)，采用固定時間窗的特征提取方法提取活動特征。對于非周期活動，直接采用固定時間窗的方法提取特征即可。分別對x、y、z三個方向的加速度值的數(shù)據(jù)進行活動特征提取，提取的活動特征包括x、y、z三個方向各方向上的加速度的均值、方差、譜能量、譜熵等，xy方向加速度的互相關系數(shù)、xz方向加速度的互相關系數(shù)、yz方向加速度的互相關系數(shù)，以用于后續(xù)模式識別。P3)對所述準周期活動的數(shù)據(jù)，采用自適應時間窗的特征提取方法提取活動特征：估計所述準周期活動中的各段活動的周期，設定特征提取方法的時間窗為當前段活動的周期，提取當前段活動的特征。具體地，準周期活動的長度是與其周期相關的，因此提取特征時根據(jù)周期時間長短確定窗口大小從而提取特征。對于一定范圍的采樣點內(nèi)的準周期活動的各段的周期長度的確定，有多種方法可以確定，包括但不限于以下的采用自相關的方法計算得到。自相關方法計算周期時：預設一個周期時間長度T，則該時間長度T內(nèi)的采樣點有N個，N＝T×f，f為傳感器的采樣頻率。采樣頻率根據(jù)使用的傳感器的型號不同而不同，例如。意法半導體公司的iNemo傳感器組件(STEVAL-MKI062)，采集人體活動數(shù)據(jù)的采樣頻率是50Hz。具體地，P31)計算所述準周期活動數(shù)據(jù)中第1個采樣點到第N個采樣點范圍內(nèi)各采樣點的人體活動數(shù)據(jù)的均值，并從該范圍內(nèi)的人體活動數(shù)據(jù)中去掉均值。對于第1個采樣點到第N個采樣點范圍內(nèi)，采集的人體活動數(shù)據(jù)表示為a0[n]，例如為加速度值。若采集的人體活動數(shù)據(jù)為沿三個方向的加速度，則將其轉換為合加速度作為此處的a0[n]。首先去均值，得到去均值的人體活動數(shù)據(jù)a(n)：其中a0[n]為第n個采樣點采集的人體活動數(shù)據(jù)；N＝T×f，f為采樣頻率，T為上述預設的周期時間長度，T大于2t，t為準周期活動中的各種活動的周期值中的最大值；然后P32)計算第1個采樣點到第N個采樣點范圍內(nèi)各采樣點處的a[n]的自相關系數(shù)。例如按照如下公式計算得到：根據(jù)自相關系數(shù)確定一段活動的周期。具體地，自相關系數(shù)從零到第一個極大值點之間的距離就是第一段活動的周期的長度T1。采用上述自相關的算法計算數(shù)據(jù)的周期的時候應注意計算的采樣點范圍應該跨越兩個周期，即T應大于2t，t為準周期活動中的各種活動的周期值中的最大值。例如，人走路的周期為1s，跑步的周期為0.5s，上下樓梯的周期為1.25秒，則t＝1.25s具體地，T為2t～3t范圍內(nèi)的一個值，這樣T的范圍足夠長才能使得自相關函數(shù)有極大值，同時也不至于過長導致計算量太大，從而最終確定出第一個周期。按照上述方式，即計算得到第一段周期活動的周期長度。對于余下的準周期活動，則仍然采用上述方式處理，依次計算得到第二段周期活動的周期長度T2，第三段周期活動的周期長度T3，依此類推，直至所有數(shù)據(jù)都計算處理到。需指出的是，計算出各段周期活動的周期長度后，可在計算得到一個周期后，即用相應大小的時間窗口的特征提取方法提取各個方向上加速度數(shù)據(jù)的活動特征。也可在計算得到所有周期后，一次性采用各相應大小的窗口來提取相應的活動特征。綜上，自適應時間窗是指長度不固定的時間窗，自適應時間窗的長度是準周期信號一個或者多個周期的長度，其長度隨各段活動的周期的不同而變化。提取的活動特征同樣包括x、y、z三個方向各方向上的加速度的均值、方差、譜能量、譜熵等，xy方向加速度的互相關系數(shù)、xz方向加速度的互相關系數(shù)、yz方向加速度的互相關系數(shù)等，以用于后續(xù)模式識別。P4)對提取的活動特征進行分類，識別出相應的人體活動模式。前述提取出各方向上加速度的均值、方差、互相關系數(shù)以及頻域的譜能量、譜熵后，可采用分類器對活動特征分類，進而識別出相應的人體模式。同樣地，分類器可采用基于C4.5決策樹算法、人工神經(jīng)網(wǎng)絡ANN、k近鄰算法、樸素貝葉斯算法等生成的分類器。優(yōu)選地，由于C4.5決策樹算法生成的分類規(guī)則直觀容易理解，可采用C4.5決策樹算法訓練出用于識別人體活動的分類器進行特征分類，識別人體活動模式。綜上，通過上述方法，對準周期活動和非周期活動進行區(qū)分，分別采用自適應時間窗的特征提取方法和固定時間窗的特征提取方法進行活動特征提取，從而準周期活動提取時結合考慮了活動的周期性，提取的特征參數(shù)更準確，能較好地用于活動模式識別，最終提高模式識別的精度。為驗證本具體實施方式的識別精度和傳統(tǒng)方式的識別精度，設置對比測試。采用意法半導體公司的iNemo傳感器組件(STEVAL-MKI062)采集人體活動數(shù)據(jù)，采樣頻率為50Hz。對同一批數(shù)據(jù)分別采用本具體實施方式的特征提取方法和傳統(tǒng)方式的特征提取方法進行模式識別。本具體實施方式中，提取準周期活動的活動特征時，預設的T＝2t，t＝1.5s，采樣頻率f＝50Hz，N＝T×f＝150。計算得到的各段周期長度后，采用相應長度的時間窗進行特征提取。各個周期的長度作為時間窗的長度，由于每個周期的長度都不同，因此時間窗也長短不一。如圖4所示，對800個采樣點數(shù)據(jù)范圍內(nèi)，分別為L1、L2、L3、L4、L5、L6、L7長度的時間窗，L1長度對應108個采樣點長度，L2對應108個采樣點長度，L3對應109個采樣點長度，L4對應111個采樣點長度，L5對應109個采樣點長度，L6對應111個采樣點長度，L7對應109個采樣點長度。傳統(tǒng)方式，提取準周期活動的活動特征時，采用固定時間長度的時間窗進行特征提取。如圖5所示，對800個采樣點數(shù)據(jù)范圍內(nèi)，均采用L0長度的時間窗，L0對應150個采樣點長度。提取特征后均采用C4.5決策樹算法生成的分類器進行活動模式識別，識別結果的效果對比(包括分類精度、查全率、錯誤率和ROC曲線下的面積四個參數(shù)的對比)如圖6所示。從圖6中可以看出，對于準周期活動走、跑和上下樓梯，本具體實施方式的自適應時間窗的分類效果明顯優(yōu)于傳統(tǒng)的固定時間窗的方法。此外，本具體實施方式的整體的分類準確率為99.4％，而固定時間窗的傳統(tǒng)方法的整體識別準確率為96.1％?？梢姳揪唧w實施方式的自適應時間窗方法的分類性能優(yōu)于固定時間窗方法，能夠得到更高的識別精度。以上內(nèi)容是結合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下做出若干替代或明顯變型，而且性能或用途相同，都應當視為屬于本發(fā)明的保護范圍。